<![CDATA[Perubahan kondisi oseanografi seperti variabilitas gelombang laut mengancam keselamatan pengguna pantai dan aktivitas maritim di Pantai Mooloolaba, Australia. Penelitian ini dilatarbelakangi oleh kebutuhan mendesak untuk mengembangkan model prediksi yang mampu menangkap pola temporal jangka panjang dari parameter oseanografi secara akurat. Oleh karena itu, penelitian ini membandingkan dua pendekatan deep learning, yaitu long short-term memory (LSTM) dan temporal convolutional network (TCN), guna mengoptimalkan prediksi perilaku gelombang laut berdasarkan enam parameter oseanografi. Menggunakan metode kuantitatif dengan desain komparatif eksperimental, penelitian ini memanfaatkan data sekunder dari Queensland Government Data dengan interval pengukuran 30 menit (20 April 2000 – 31 Agustus 2024). Setelah pra-pemrosesan, data dibagi menjadi 80% pelatihan dan 20% pengujian. Hasil evaluasi menunjukkan bahwa TCN memiliki nilai RMSE lebih rendah dibandingkan LSTM pada semua parameter, baik pada data latih maupun uji. Oleh karena itu, TCN lebih unggul dalam menangkap pola temporal jangka panjang dan lebih efektif untuk mitigasi risiko kondisi laut ekstrem.]]>
Copyrights © 2025
